Trí tuệ nhân tạo với Python

Khóa học này được thiết kế cho những người học muốn hiểu các nguyên tắc cơ bản của học sâu theo góc nhìn toán học. Trước khi sử dụng các khuôn khổ hoặc thư viện học sâu phức tạp, mục tiêu là hiểu các nguyên tắc một cách có hệ thống bằng cách triển khai các nguyên tắc hoạt động của mạng nơ-ron trực tiếp thông qua các phép toán ma trận và NumPy .

Đầu tiên, cấu trúc của mạng nơ-ron và cơ chế học được giải thích bằng cách chia chúng thành các giai đoạn lan truyền tiến và lan truyền ngược . Chúng ta sẽ tập trung vào phép nhân ma trận để giải thích cách đầu vào được chuyển đổi trong từng lớp, cách tính toán sự khác biệt giữa đầu ra và câu trả lời đúng theo hàm mất mát và cách sự khác biệt này được lan truyền ngược qua mạng để sửa đổi trọng số. Thông qua đó, bạn có thể tận mắt chứng kiến ​​cách học thực sự diễn ra.

Hàm mất mát là một yếu tố chính quyết định hướng học của một mô hình học sâu. Trong bài giảng này, chúng ta sẽ triển khai các công thức trực tiếp từ MSE (Mean Squared Error) , BCE (Binary Cross Entropy) và CCE (Categorical Cross Entropy) và giải thích thông qua các ví dụ cụ thể về loại bài toán nào phù hợp với từng loại. Thông qua đó, bạn có thể hiểu sâu hơn về lý do tại sao bạn nên chọn hàm mất mát này, thay vì chỉ sử dụng mã.

Trong phần hàm kích hoạt, chúng tôi đã triển khai các hàm chính như Sigmoid , ReLU , Tanh và Softmax từng cái một và thiết kế để bạn có thể hiểu trực quan các đặc điểm, ưu và nhược điểm của các hàm bằng cách vẽ đồ thị. Ví dụ, bạn sẽ học bằng cách phân tích trực quan lý do tại sao ReLU hiệu quả hơn trong mạng nơ-ron sâu và cách Softmax tạo ra phân phối xác suất.

Dựa trên các thành phần này, chúng ta sẽ bắt đầu với mạng nơ-ron 1 lớp hoặc 2 lớp đơn giản, triển khai perceptron đa lớp (MLP) và thực hành giải quyết vấn đề phân loại bằng dữ liệu thực. Bạn cũng có thể điều chỉnh trực tiếp các siêu tham số như tốc độ học, kỷ nguyên và xử lý hàng loạt để trải nghiệm những thay đổi trong đường cong học tập và hiệu suất mô hình.

Khóa học này không chỉ là một khóa học lý thuyết đơn giản. Khóa học được thiết kế để giúp bạn tìm hiểu 'tại sao' và 'cách' mạng nơ-ron học bằng cách giải thích cách mỗi dòng mã được kết nối với công thức và triển khai tất cả các công thức bằng cách chuyển đổi chúng thành các phép toán ma trận dựa trên NumPy .

Cuối cùng, thông qua khóa học này, sinh viên sẽ hiểu được hoạt động bên trong của các khuôn khổ học sâu (PyTorch, TensorFlow, v.v.) trước khi sử dụng chúng và nếu cần, sẽ có thể tự triển khai mạng nơ-ron. Trải nghiệm nhìn thấy học sâu, vốn có vẻ phức tạp, được đơn giản hóa thành một hệ thống toán học duy nhất và hoạt động ngay trước mắt bạn sẽ mang lại cho người học sự tự tin và hiểu biết sâu sắc.

Khóa học này là sự lựa chọn hoàn hảo cho những ai muốn có trải nghiệm học tập cân bằng giữa lý thuyết và thực hành, trực giác và toán học.